CN115201119A - 一种苹果表面损伤检测装置及方法 - Google Patents
一种苹果表面损伤检测装置及方法 Download PDFInfo
- Publication number
- CN115201119A CN115201119A CN202210823990.3A CN202210823990A CN115201119A CN 115201119 A CN115201119 A CN 115201119A CN 202210823990 A CN202210823990 A CN 202210823990A CN 115201119 A CN115201119 A CN 115201119A
- Authority
- CN
- China
- Prior art keywords
- apple
- laser
- detected
- data
- fiber probe
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000000523 sample Substances 0.000 claims abstract description 89
- 239000000835 fiber Substances 0.000 claims abstract description 73
- 230000003595 spectral effect Effects 0.000 claims description 78
- 238000011176 pooling Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 239000004570 mortar (masonry) Substances 0.000 claims description 4
- 238000003825 pressing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract description 10
- 206010070834 Sensitisation Diseases 0.000 abstract description 5
- 230000008313 sensitization Effects 0.000 abstract description 5
- 241000220225 Malus Species 0.000 description 114
- 230000009467 reduction Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 210000003491 skin Anatomy 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000012153 distilled water Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000005985 organic acids Nutrition 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种苹果表面损伤检测装置及方法。该装置包括底座，底座上竖直设有导轨，导轨上设有可沿导轨滑动的第一滑块、第二滑块、用于驱动第一滑块沿导轨滑动的第一驱动模块、用于驱动第二滑块沿导轨滑动的第二驱动模块，第二滑块位于第一滑块上方，所述第一滑块连接有样品平台，第二滑块连接有环形滑轨，环形滑轨上设有检测模块，检测模块包括可沿环形滑轨滑动的第三滑块、用于驱动第三滑块沿环形滑轨滑动的第三驱动模块，第三滑块上设有激光发射器、感光纤维探头，底座上还设有控制器、激光驱动器和光谱仪。本发明能够无损、准确的检测出苹果表面的待测区域是否有损伤。
Description
技术领域
本发明涉及水果损伤检测技术领域，尤其涉及一种苹果表面损伤检测装置及方法。
背景技术
苹果是家喻户晓的水果，作为世界四大水果之冠，苹果富含有机酸、果胶、维生素和矿物质、膳食纤维、多酚和黄酮类化合物，营养价值很高，可以帮助调节酸碱平衡，对人体健康有很大的帮助。苹果在运输过程中，由于包装或运输方式不当，很容易受到机械性损伤，从而加速营养成分的流失，加速苹果腐败，最终导致营养价值及商品价值下降。
传统的苹果损伤检测，主要以人工目测或常规机器分类技术以及化学测试为主，受表皮、时间、设备等很多因素影响，一是检测过程复杂，费时费力，二是检测精度不高。
发明内容
本发明为了解决上述技术问题，提供了一种苹果表面损伤检测装置及方法，其能够无损、准确的检测出苹果表面的待测区域是否有损伤。
为了解决上述问题，本发明采用以下技术方案予以实现：
本发明的一种苹果表面损伤检测装置，包括底座，所述底座上竖直设有导轨，所述导轨上设有可沿导轨滑动的第一滑块、第二滑块、用于驱动第一滑块沿导轨滑动的第一驱动模块、用于驱动第二滑块沿导轨滑动的第二驱动模块，所述第二滑块位于第一滑块上方，所述第一滑块连接有样品平台，所述第二滑块连接有环形滑轨，所述环形滑轨上设有检测模块，所述检测模块包括可沿环形滑轨滑动的第三滑块、用于驱动第三滑块沿环形滑轨滑动的第三驱动模块，所述第三滑块上设有激光发射器、感光纤维探头、用于调整激光发射器角度的第一调整模块、用于调整感光纤维探头角度的第二调整模块、用于调整感光纤维探头伸缩的第三调整模块，所述底座上还设有控制器、激光驱动器和光谱仪，所述激光发射器与激光驱动器电连接，所述感光纤维探头与光谱仪电连接，所述控制器分别与第一驱动模块、第二驱动模块、第三驱动模块、第一调整模块、第二调整模块、第三调整模块、激光驱动器和光谱仪电连接。
在本方案中，将待测苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
激光发射器发射波长为650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器；
控制器将n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
本方案采用“变激光强度、定波长”方式采集的单波长弛豫光谱作为检测数据，可以大大降低检测系统对光谱检测波段的需求，降低实验设备价格，操作简单，缩短检测时间，降低检测成本，提高了检测精度。
作为优选，所述底座上还设有无线通信模块，所述控制器与无线通信模块电连接。能够通过无线通信模块将检测结果发送到云服务器存储。
作为优选，所述底座上还设有显示屏和控制按键，所述控制器分别与显示屏和控制按键电连接。
本发明的一种苹果表面损伤检测方法，用于上述的一种苹果表面损伤检测装置，包括以下步骤：
S1：将待测苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
S2：激光发射器发射波长为650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
S3：激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器；
S4：控制器将n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
在本方案中，检测前，用蒸馏水清洗待测苹果表皮并用擦拭纸吸干残余水分，重复两次，确保待测苹果表面的灰尘、石蜡等物质被彻底清洗，减少对实验的干扰。清洗完毕后，在待测苹果表面的待测区域上选取一个位置作为激光入射点，调整激光发射器位置，使激光从激光入射点射入待测苹果，在待测区域上选取一个与激光入射点的距离小于1cm的点作为采样点，将感光纤维探头移至采样点，保证感光纤维探头不与待测苹果表皮接触。位置调整完毕后，罩上遮光罩以创造黑暗环境，防止外来光源对实验环境造成干扰。
激光发射器发射波长为650nm、初始光谱强度为8000counts的激光到待测苹果表面的待测区域，初始光谱强度的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，之后激光发射器发射的激光以1000counts强度递增步长，每次激光发射器发射的激光增大1000counts，感光纤维探头采集一次当前的漫反射光，激光从初始光谱强度开始递增n次，所以感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器。这n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
作为优选，所述苹果损伤判别模型通过如下方法得到：
N1：将表面没有损伤的苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
N2：激光发射器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
N3：激光发射器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，将这n+1个漫反射光的光谱强度作为一组检测数据发送到光谱仪，光谱仪将这些检测数据发送到控制器；
重复执行本步骤m次，控制器共获得无损待测区域的m组检测数据；
N4：取出该苹果，用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为1mm的损伤；
N5：将该苹果重新放到样品平台上，用遮光罩将苹果表面损伤检测装置罩住，激光发射器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
N6：激光发射器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，将这n+1个漫反射光的光谱强度作为一组检测数据发送到光谱仪，光谱仪将这些检测数据发送到控制器；
重复执行本步骤m次，控制器共获得有损待测区域的m组检测数据；
N7：控制器将无损待测区域的m组检测数据、有损待测区域的m组检测数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。
作为优选，所述每组检测数据在输入到苹果损伤判别模型之前需进行数据优化处理，具体步骤如下：
将每组检测数据中的每个漫反射光的光谱强度代入数据优化公式，得到对应的优化数据；
某组检测数据中的第k个漫反射光的光谱强度Zk代入数据优化公式得到对应的优化数据Vk的公式如下：
其中，
表示该组检测数据的平均值。
对检测数据进行优化，消除实验操作等外界因素带来的数据的误差。
作为优选，所述每组检测数据经过数据优化后还需进行标准化处理；
某组检测数据中的第k个漫反射光的光谱强度Zk对应的优化数据Vk经过标准化处理得到对应的标准化数据Wk的公式如下：
其中，
表示该组检测数据对应的优化数据的平均值。
对优化后的数据进行标准化处理，统一下数量级，消除量级不同带来的误差。
作为优选，所述卷积神经网络模型包括依次连接的输入层、第1卷积层、第2卷积层、最大池化层、第3卷积层、第4卷积层、平均池化层、dropout层、全连接层、输出层。
作为优选，所述输入层用于接收检测数据并输出到第1卷积层进行处理，第1卷积层对检测数据进行一次特征提取，将提取的特征数据输出到第2卷积层，第2卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到最大池化层，最大池化层对接收到的特征数据进行降维处理，将降维数据输出到第3卷积层，第3卷积层对降维数据进行一次特征提取，将提取的特征数据输出到第4卷积层，第4卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到平均池化层，平均池化层对接收到的特征数据再进行降维处理，将降维后的数据输出到dropout层，dropout层随机将h％数据置零，将最终数据输出到全连接层，全连接层将接收到的最终数据映射到(0，1)区间内，通过SoftMax-RS函数对最终数据进行分类，输出层接收到全连接层传来的数据并输出。
作为优选，所述第1卷积层、第2卷积层、第3卷积层、第4卷积层都设置有a个卷积核，卷积核的尺寸为f。一般设置a＝100，f＝9。
作为优选，所述第r卷积层中的每个卷积核都对输入第r卷积层的所有组数据进行处理，第r卷积层中的每个卷积核都提取出dr个特征数据，1≤r≤4，dr＝cr-f+1，dr表示第r卷积层的每个卷积核提取出的特征数据总数，cr表示输入第r卷积层的数据组数，第r卷积层每个卷积核提取出的特征数据排成一列，第r卷积层的所有卷积核提取出的特征数据组成一个dr*a的特征数据矩阵，将特征数据矩阵的每一行特征数据作为一组特征数据输出；
所述第r卷积层的第i个卷积核提取出的第j个特征数据X(r)ij的公式如下，1≤i≤a，1≤j≤dr：
其中，w(r)i表示第r卷积层的第i个卷积核对应的特征数据权重，f表示第r卷积层的卷积核的尺寸，x(r)ipq表示第r卷积层的第i个卷积核需要处理的第p组数据中的第q个数据，t表示输入第r卷积层的每组数据包含的数据个数，b(r)i表示第r卷积层的第i个卷积核对应的特征数据偏置值。
本发明的有益效果是：能够无损、准确的检测出苹果表面的待测区域是否有损伤，采用“变激光强度、定波长”方式采集的单波长弛豫光谱作为检测数据，可以大大降低检测系统对光谱检测波段的需求，降低实验设备价格，操作简单，缩短检测时间，降低检测成本，提高了检测精度。
附图说明
图1是实施例的结果示意图；
图2是卷积神经网络模型的结构示意图；
图3是卷积神经网络模型的参数设置表。
图中：1、底座，2、导轨，3、第一滑块，4、第二滑块，5、样品平台，6、环形滑轨，7、第三滑块，8、激光发射器，9、感光纤维探头，1 0、激光驱动器，11、光谱仪，12、显示屏，13、控制按键，14、输入层，1 5、第1卷积层，16、第2卷积层，17、最大池化层，18、第3卷积层，19、第4卷积层，20、平均池化层，21、dropout层，22、全连接层，23、输出层，24、苹果。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种苹果表面损伤检测装置，如图1所示，包括底座1，底座1上竖直设有导轨2，导轨2上设有可沿导轨2滑动的第一滑块3、第二滑块4、用于驱动第一滑块3沿导轨2滑动的第一驱动模块、用于驱动第二滑块4沿导轨3滑动的第二驱动模块，第二滑块4位于第一滑块3上方，第一滑块3连接有样品平台5，第二滑块4连接有环形滑轨6，环形滑轨6上设有检测模块，检测模块包括可沿环形滑轨6滑动的第三滑块7、用于驱动第三滑块7沿环形滑轨滑动的第三驱动模块，第三滑块7上设有激光发射器8、感光纤维探头9、用于调整激光发射器8角度的第一调整模块、用于调整感光纤维探头9角度的第二调整模块、用于调整感光纤维探头9伸缩的第三调整模块，底座1上还设有控制器、激光驱动器10、光谱仪11、无线通信模块、显示屏12、控制按键13，激光发射器8与激光驱动器10电连接，感光纤维探头9与光谱仪11电连接，控制器分别与第一驱动模块、第二驱动模块、第三驱动模块、第一调整模块、第二调整模块、第三调整模块、激光驱动器10、光谱仪11、无线通信模块、显示屏12、控制按键1 3电连接。
在本方案中，将待测苹果24放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
激光发射器发射波长为650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器；
控制器将n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果，控制器通过无线通信模块将检测结果发送到云服务器存储。
本方案采用“变激光强度、定波长”方式采集的单波长弛豫光谱作为检测数据，可以大大降低检测系统对光谱检测波段的需求，降低实验设备价格，操作简单，缩短检测时间，降低检测成本，提高了检测精度。
本实施例的一种苹果表面损伤检测方法，用于上述的一种苹果表面损伤检测装置，包括以下步骤：
S1：将待测苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
S2：激光发射器发射波长为650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
S3：激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器；
S4：控制器将n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
在本方案中，检测前，用蒸馏水清洗待测苹果表皮并用擦拭纸吸干残余水分，重复两次，确保待测苹果表面的灰尘、石蜡等物质被彻底清洗，减少对实验的干扰。清洗完毕后，在待测苹果表面的待测区域上选取一个位置作为激光入射点，调整激光发射器位置，使激光从激光入射点射入待测苹果，在待测区域上选取一个与激光入射点的距离小于1cm的点作为采样点，将感光纤维探头移至采样点，保证感光纤维探头不与待测苹果表皮接触。位置调整完毕后，罩上遮光罩以创造黑暗环境，防止外来光源对实验环境造成干扰。
激光发射器发射波长为650nm、初始光谱强度为8000counts的激光到待测苹果表面的待测区域，初始光谱强度的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，之后激光发射器发射的激光以1000counts强度递增步长，每次激光发射器发射的激光增大1000counts，感光纤维探头采集一次当前的漫反射光，激光从初始光谱强度开始递增n次，所以感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器。这n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
当需要检测苹果整个表面是否有损伤时，将苹果整个表面分成多个待测区域，检测每个待测区域是否有损伤，就能够检测出苹果整个表面是否有损伤。环形滑轨上可以设置多个检测模块，苹果上位于同一高度的每个待测区域都可以被一个对应的检测模块单独检测到，这样同一高度的待测区域可以同时进行检测，提高了检测效率。
苹果损伤判别模型通过如下方法得到：
N1：将表面没有损伤的苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
N2：激光发射器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
N3：激光发射器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，将这n+1个漫反射光的光谱强度作为一组检测数据发送到光谱仪，光谱仪将这些检测数据发送到控制器；
重复执行本步骤m次，控制器共获得无损待测区域的m组检测数据；
N4：取出该苹果，用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为1mm的损伤；
N5：将该苹果重新放到样品平台上，用遮光罩将苹果表面损伤检测装置罩住，激光发射器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
N6：激光发射器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，将这n+1个漫反射光的光谱强度作为一组检测数据发送到光谱仪，光谱仪将这些检测数据发送到控制器；
重复执行本步骤m次，控制器共获得有损待测区域的m组检测数据；
N7：控制器将无损待测区域的m组检测数据、有损待测区域的m组检测数据分别进行如下处理：
将每组检测数据中的每个漫反射光的光谱强度代入数据优化公式，得到对应的优化数据，某组检测数据中的第k个漫反射光的光谱强度Zk代入数据优化公式得到对应的优化数据Vk的公式如下：
其中，
表示该组检测数据的平均值；
每组检测数据经过数据优化后还需进行标准化处理，某组检测数据中的第k个漫反射光的光谱强度Zk对应的优化数据Vk经过标准化处理得到对应的标准化数据Wk的公式如下：
其中，
表示该组检测数据对应的优化数据的平均值；
无损待测区域的m组检测数据经过处理后得到对应的m组无损标准化数据，有损待测区域的m组检测数据经过处理后得到对应的m组有损标准化数据，将这m组无损标准化数据、m组有损标准化数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。一般，m＞2000。
选取表面没有损伤的苹果，选取该苹果上的一个待测区域，检测出无损待测区域的m组检测数据，然后用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为1mm的损伤，将待测区域变成有损待测区域，检测出有损待测区域的m组检测数据，将无损待测区域的m组检测数据、有损待测区域的m组检测数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。
对检测数据进行优化能够消除实验操作等外界因素带来的数据的误差。对优化后的数据进行标准化处理，统一下数量级，能够消除量级不同带来的误差。
卷积神经网络模型，如图2所示，包括依次连接的输入层14、第1卷积层15、第2卷积层16、最大池化层17、第3卷积层18、第4卷积层19、平均池化层20、dropout层21、全连接层22、输出层23。第1卷积层、第2卷积层、第3卷积层、第4卷积层都设置有a个卷积核，卷积核的尺寸为f。
输入层用于接收检测数据并输出到第1卷积层进行处理，第1卷积层对检测数据进行一次特征提取，将提取的特征数据输出到第2卷积层，第2卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到最大池化层，最大池化层对接收到的特征数据进行降维处理，将降维数据输出到第3卷积层，第3卷积层对降维数据进行一次特征提取，将提取的特征数据输出到第4卷积层，第4卷积层对接收到的特征数据进行一次特征提取，将提取的特征数据输出到平均池化层，平均池化层对接收到的特征数据再进行降维处理，将降维后的数据输出到dropout层，dropout层随机将h％数据置零，将最终数据输出到全连接层，全连接层将接收到的最终数据映射到(0，1)区间内，通过SoftMax-RS函数对最终数据进行分类，输出层接收到全连接层传来的数据并输出。通过设置各层参数，可以使得此模型网络处理后的特征数据为一维数据，准确率高且运行时间短。
第r卷积层中的每个卷积核都对输入第r卷积层的所有组数据进行处理，第r卷积层中的每个卷积核都提取出dr个特征数据，1≤r≤4，dr＝cr-f+1，dr表示第r卷积层的每个卷积核提取出的特征数据总数，cr表示输入第r卷积层的数据组数，第r卷积层每个卷积核提取出的特征数据排成一列，第r卷积层的所有卷积核提取出的特征数据组成一个dr*a的特征数据矩阵，将特征数据矩阵的每一行特征数据作为一组特征数据输出；
第r卷积层的第i个卷积核提取出的第j个特征数据X(r)ij的公式如下，1≤i≤a，1≤j≤dr：
其中，w(r)i表示第r卷积层的第i个卷积核对应的特征数据权重，f表示第r卷积层的卷积核的尺寸，x(r)ipq表示第r卷积层的第i个卷积核需要处理的第p组数据中的第q个数据，t表示输入第r卷积层的每组数据包含的数据个数，b(r)i表示第r卷积层的第i个卷积核对应的特征数据偏置值。
举例说明：设定n＝22，m＝2100，则建立苹果损伤判别模型时，将这2100组无损标准化数据、2100组有损标准化数据输入卷积神经网络模型中进行训练。
输入层、第1卷积层、第2卷积层、最大池化层、第3卷积层、第4卷积层、平均池化层、dropout层、全连接层、输出层的参数设置，如图3所示。
输入层的参数为80×23，表示卷积神经网络模型处理数据将以80组为一批次，每组数据包含23个光谱强度数据。
以一个批次为例，输入层将80*23的数据矩阵输出到第1卷积层，第1卷积层、第2卷积层、第3卷积层、第4卷积层都有100个卷积核，卷积核的尺寸为9，所以第1卷积层提取出72个特征值，因为第1卷积层有100个卷积核，所以第1卷积层提取出72*100的特征数据矩阵输出到第2卷积层；
第2卷积层提取出64*100的特征数据矩阵输出到最大池化层；
最大池化层的参数设置为3，一次读入3组特征数据，只保留3组特征数据中数值最大的一组，最后1组舍去，即得到21*100的特征数据矩阵，及将输入的特征数据矩阵缩小了66％；
第3卷积层提取出13*100的特征数据矩阵输出到第4卷积层；
第4卷积层提取出5*100的特征数据矩阵输出到平均池化层；
平均池化层对5组特征数据进行平均值求取，处理后得到大小为1*100的特征数据矩阵，将1*100的特征数据矩阵输出到dropout层；
dropout层用于防止卷积神经网络过度拟合，随机将部分数据置零，本层参数为0.5，即将50％的特征数据置零，通过这种操作，模型对较小的数据变化的反应敏感度降低，防止出现过拟合的情况，Dropout层处理之后，将最终数据处理结果全连接层；
全连接层将接收到的最终数据映射到(0，1)区间内，通过SoftMax-RS函数对最终数据进行分类，使得同一类型的所有特征数据概率相加为1；输出层接收到全连接层传来的数据并输出。
Claims (8)
1.一种苹果表面损伤检测装置，其特征在于，包括底座(1)，所述底座(1)上竖直设有导轨(2)，所述导轨(2)上设有可沿导轨(2)滑动的第一滑块(3)、第二滑块(4)、用于驱动第一滑块(3)沿导轨(2)滑动的第一驱动模块、用于驱动第二滑块(4)沿导轨(2)滑动的第二驱动模块，所述第二滑块(4)位于第一滑块(3)上方，所述第一滑块(3)连接有样品平台(5)，所述第二滑块(4)连接有环形滑轨(6)，所述环形滑轨(6)上设有检测模块，所述检测模块包括可沿环形滑轨(6)滑动的第三滑块(7)、用于驱动第三滑块(7)沿环形滑轨(6)滑动的第三驱动模块，所述第三滑块(7)上设有激光发射器(8)、感光纤维探头(9)、用于调整激光发射器(8)角度的第一调整模块、用于调整感光纤维探头(9)角度的第二调整模块、用于调整感光纤维探头(9)伸缩的第三调整模块，所述底座(1)上还设有控制器、激光驱动器(10)和光谱仪(11)，所述激光发射器(8)与激光驱动器(10)电连接，所述感光纤维探头(9)与光谱仪(11)电连接，所述控制器分别与第一驱动模块、第二驱动模块、第三驱动模块、第一调整模块、第二调整模块、第三调整模块、激光驱动器(10)和光谱仪(11)电连接。
2.根据权利要求l所述的一种苹果表面损伤检测装置，其特征在于，所述底座(1)上还设有无线通信模块，所述控制器与无线通信模块电连接。
3.根据权利要求1或2所述的一种苹果表面损伤检测装置，其特征在于，所述底座上还设有显示屏(12)和控制按键(13)，所述控制器分别与显示屏(12)和控制按键(13)电连接。
4.一种苹果表面损伤检测方法，用于权利要求1所述的一种苹果表面损伤检测装置，其特征在于，包括以下步骤：
S1：将待测苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
S2：激光发射器发射波长为650nm的激光到待测苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
S3：激光器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到待测苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，并将其发送到光谱仪，光谱仪将n+1个漫反射光的光谱强度发送到控制器；
S4：控制器将n+1个漫反射光的光谱强度作为一组检测数据输入到苹果损伤判别模型中，苹果损伤判别模型输出待测苹果表面的待测区域是否有损伤的结果。
5.根据权利要求4所述的一种苹果表面损伤检测方法，其特征在于，所述苹果损伤判别模型通过如下方法得到：
N1：将表面没有损伤的苹果放到样品平台上，调整环形滑轨高度及激光发射器角度，使得激光发射器对准待测苹果表面的待测区域，调整感光纤维探头位置，使得感光纤维探头与苹果表面的激光入射点之间的距离小于1cm，用遮光罩将苹果表面损伤检测装置罩住；
N2：激光发射器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
N3：激光发射器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，将这n+1个漫反射光的光谱强度作为一组检测数据发送到光谱仪，光谱仪将这些检测数据发送到控制器；
重复执行本步骤m次，控制器共获得无损待测区域的m组检测数据；
N4：取出该苹果，用研钵棒按压该苹果表面的待测区域，在保证苹果表皮没有破损的情况下，使得待测区域的果肉受到深度为1mm的损伤；
N5：将该苹果重新放到样品平台上，用遮光罩将苹果表面损伤检测装置罩住，激光发射器发射波长为650nm的激光到苹果表面的待测区域，激光照射到待测区域后产生的波长为650nm的漫反射光被感光纤维探头采集到；
N6：激光发射器发出波长为650nm的激光从初始光谱强度开始递增n次，每次递增的强度都为1000counts，初始光谱强度的激光以及每次强度递增后的激光照射到苹果表面的待测区域后产生的波长为650nm的漫反射光都被感光纤维探头采集到，感光纤维探头依次采集到n+1个漫反射光的光谱强度，将这n+1个漫反射光的光谱强度作为一组检测数据发送到光谱仪，光谱仪将这些检测数据发送到控制器；
重复执行本步骤m次，控制器共获得有损待测区域的m组检测数据；
N7：控制器将无损待测区域的m组检测数据、有损待测区域的m组检测数据输入卷积神经网络模型中进行训练，训练完成的卷积神经网络模型就是苹果损伤判别模型。
6.根据权利要求5所述的一种苹果表面损伤检测方法，其特征在于，所述每组检测数据在输入到苹果损伤判别模型之前需进行数据优化处理，具体步骤如下：
将每组检测数据中的每个漫反射光的光谱强度代入数据优化公式，得到对应的优化数据；
某组检测数据中的第k个漫反射光的光谱强度Zk代入数据优化公式得到对应的优化数据Vk的公式如下：
其中，
表示该组检测数据的平均值。
7.根据权利要求6所述的一种苹果表面损伤检测方法，其特征在于，所述每组检测数据经过数据优化后还需进行标准化处理；
某组检测数据中的第k个漫反射光的光谱强度Zk对应的优化数据Vk经过标准化处理得到对应的标准化数据Wk的公式如下：
其中，
表示该组检测数据对应的优化数据的平均值。
8.根据权利要求5或6或7所述的一种苹果表面损伤检测方法，其特征在于，所述卷积神经网络模型包括依次连接的输入层(14)、第1卷积层(15)、第2卷积层(16)、最大池化层(17)、第3卷积层(18)、第4卷积层(19)、平均池化层(20)、dropout层(21)、全连接层(22)、输出层(23)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210823990.3A CN115201119A (zh) | 2022-07-12 | 2022-07-12 | 一种苹果表面损伤检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210823990.3A CN115201119A (zh) | 2022-07-12 | 2022-07-12 | 一种苹果表面损伤检测装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115201119A true CN115201119A (zh) | 2022-10-18 |
Family
ID=83580265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210823990.3A Pending CN115201119A (zh) | 2022-07-12 | 2022-07-12 | 一种苹果表面损伤检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115201119A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0933446A (ja) * | 1995-07-19 | 1997-02-07 | Fujitsu Ltd | 表面欠陥検査装置 |
| CN102713637A (zh) * | 2010-01-25 | 2012-10-03 | 株式会社日立高新技术 | 自动分析装置 |
| CN206930593U (zh) * | 2017-04-01 | 2018-01-26 | 东莞市同泓五金塑胶制品有限公司 | 一种五金件产品表面损伤检测平台 |
| CN209416943U (zh) * | 2018-12-14 | 2019-09-20 | 贵阳学院 | 一种苹果表面损伤无损检测装置 |
| JP2022089033A (ja) * | 2020-12-03 | 2022-06-15 | 学校法人 芝浦工業大学 | 青果物の損傷検出装置および青果物の損傷検出方法 |
| CN115372272A (zh) * | 2022-07-12 | 2022-11-22 | 浙江农林大学 | 一种苹果损伤检测方法 |
-
2022
- 2022-07-12 CN CN202210823990.3A patent/CN115201119A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0933446A (ja) * | 1995-07-19 | 1997-02-07 | Fujitsu Ltd | 表面欠陥検査装置 |
| CN102713637A (zh) * | 2010-01-25 | 2012-10-03 | 株式会社日立高新技术 | 自动分析装置 |
| CN206930593U (zh) * | 2017-04-01 | 2018-01-26 | 东莞市同泓五金塑胶制品有限公司 | 一种五金件产品表面损伤检测平台 |
| CN209416943U (zh) * | 2018-12-14 | 2019-09-20 | 贵阳学院 | 一种苹果表面损伤无损检测装置 |
| JP2022089033A (ja) * | 2020-12-03 | 2022-06-15 | 学校法人 芝浦工業大学 | 青果物の損傷検出装置および青果物の損傷検出方法 |
| CN115372272A (zh) * | 2022-07-12 | 2022-11-22 | 浙江农林大学 | 一种苹果损伤检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何昌俊: "基于连续分流的小型类球状水果自动定量称重系统研究", CNKI硕士学位论文电子期刊, 15 February 2021 (2021-02-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
| Hahn | AE—Automation and Emerging Technologies: Multi-spectral prediction of unripe tomatoes | |
| Eissa et al. | Understanding color image processing by machine vision for biological materials | |
| CN111380813B (zh) | 一种便携式小麦种子多品质无损检测装置及检测方法 | |
| CN108335300A (zh) | 一种基于cnn的食品高光谱信息分析系统与方法 | |
| Srivastava et al. | Data processing approaches and strategies for non-destructive fruits quality inspection and authentication: a review | |
| CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
| CN111982835A (zh) | 一种基于硅基多光谱芯片的水果糖度无损检测装置及方法 | |
| CN115372272A (zh) | 一种苹果损伤检测方法 | |
| CN115508366A (zh) | 基于多光谱成像的产品缺陷智能检测系统及其方法 | |
| CN114965346A (zh) | 基于深度学习和高光谱成像技术的猕猴桃品质检测方法 | |
| CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
| CN115201119A (zh) | 一种苹果表面损伤检测装置及方法 | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| CN102788796B (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
| CN111665215A (zh) | 一种基于嵌入式的苹果成熟度检测系统及方法 | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| CN111325241A (zh) | 果蔬分类方法、装置、智能传感器及计算机存储介质 | |
| Yogarajan et al. | Apple fruit quality detector using fiber optics and color sensor | |
| CN112419288B (zh) | 一种基于计算机视觉的无人化蔬菜大棚种植方法 | |
| CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
| Thipsrirach et al. | Classification of durian maturity using a convolutional neural network | |
| Kezhu et al. | Detection of isoflavones content in soybean based on Hyperspectral Imaging Technology | |
| Wang et al. | Convolutional neural networks of whole jujube fruits prediction model based on multi-spectral imaging method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |